Large-Scale Multi-Center CT and MRI Segmentation of Pancreas with Deep Learning

自动化的胰腺体积分割对于胰腺疾病的诊断和随访非常重要。虽然基于CT的胰腺分割更为成熟，但基于MRI的分割方法研究不足，主要是因为缺乏公开可用的数据集、基准研究成果和特定领域的深度学习方法。在这项回顾性研究中，我们收集了一个大型数据集（来自2004年3月至2022年11月的五个中心的499名参与者的767次扫描），包括T1加权（T1W）和T2加权（T2W）腹部MRI系列。我们还收集了1,350名患者的CT扫描，用于基准测试。我们开发了一种新的胰腺分割方法，称为PanSegNet，结合了nnUNet和Transformer网络的优势，以及一个新的线性注意力模块，实现了体积计算。我们使用Dice和Hausdorff距离（HD95）评估指标，在跨模态（共计2,117次扫描）和跨中心设置中测试了PanSegNet的准确性。我们使用Cohen的kappa统计量评估了内部和外部评分者之间的一致性，并使用成对t检验进行了体积和Dice比较。在分割准确性方面，我们在CT、T1W MRI和T2W MRI中分别实现了88.3%（标准差：7.2%，在案例水平上）、85.0%（标准差：7.9%）和86.3%（标准差：6.4%）的Dice系数。胰腺体积预测的R^2分别为0.91、0.84和0.85，与CT、T1W和T2W有很高的相关性。我们发现T1W和T2W MRI的评分者之间的一致性中等（分别为0.624和0.638），内部一致性得分高。所有MRI数据都可在https://osf.io/kysnj/上获得。我们的源代码可在https://github.com/NUBagciLab/PaNSegNet上获得。

论文旨在解决MRI图像中胰腺分割的问题，缺乏公开数据集、基准研究和领域特定的深度学习方法。

论文提出了一种新的胰腺分割方法PanSegNet，结合了nnUNet和Transformer网络，并使用新的线性注意力模块实现了体积计算。

论文收集了一个大型MRI图像数据集（767个扫描），并将其用于测试PanSegNet的准确性。研究人员还收集了1,350个CT扫描，用于基准测试。在交叉模态和交叉中心设置下，使用Dice和Hausdorff距离评估指标测试了PanSegNet的准确性。实验结果表明，PanSegNet在CT、T1W MRI和T2W MRI上的Dice系数分别为88.3%、85.0%和86.3%。研究人员还提供了MRI数据和源代码。

最近在这个领域中，还有一些相关的研究，如“Deep Learning-Based Pancreas Segmentation in CT and MRI Scans Using Cascaded Unet and 3D Convolutional Neural Networks”，“Pancreas Segmentation Using Deep Learning and Improved Gabor Features”，“Automated Pancreas Segmentation Using Deep Learning and Transfer Learning”。